智能体

"智能体"（Agent）在人工智能和计算机科学领域是一个非常重要的概念。它指的是一种能够感知环境并采取行动以实现特定目标的实体。智能体可以是软件程序，也可以是硬件设备。以下是对智能体的详细介绍：[heading3]智能体的定义[content]智能体是一种自主系统，它可以通过感知环境（通常通过传感器）并采取行动（通常通过执行器）来达到某种目标。在LLM支持的自主Agent系统中，LLM充当Agents的大脑，并辅以几个关键组成部分：规划子目标和分解：Agents将大型任务分解为更小的、可管理的子目标，从而能够有效处理复杂的任务。反思和完善：Agents可以对过去的行为进行自我批评和自我反思，从错误中吸取教训，并针对未来的步骤进行完善，从而提高最终结果的质量。记忆短期记忆：所有的上下文学习都是利用模型的短期记忆来学习。长期记忆：这为Agents提供了长时间保留和回忆（无限）信息的能力，通常是通过利用外部向量存储和快速检索来实现。工具使用Agents学习调用外部API来获取模型权重中缺失的额外信息（通常在预训练后很难更改），包括当前信息、代码执行能力、对专有信息源的访问等。

智能体可以根据其复杂性和功能分为几种类型：1.简单反应型智能体（Reactive Agents）：这种智能体根据当前的感知输入直接采取行动。不维护内部状态，也不考虑历史信息。示例：温控器，它根据温度传感器的输入直接打开或关闭加热器。2.基于模型的智能体（Model-based Agents）：维护内部状态，对当前和历史感知输入进行建模。能够推理未来的状态变化，并根据推理结果采取行动。示例：自动驾驶汽车，它不仅感知当前环境，还维护和更新周围环境的模型。3.目标导向型智能体（Goal-based Agents）：除了感知和行动外，还具有明确的目标。能够根据目标评估不同的行动方案，并选择最优的行动。示例：机器人导航系统，它有明确的目的地，并计划路线以避免障碍。4.效用型智能体（Utility-based Agents）：不仅有目标，还能量化不同状态的效用值，选择效用最大化的行动。评估行动的优劣，权衡利弊。示例：金融交易智能体，根据不同市场条件选择最优的交易策略。5.学习型智能体（Learning Agents）：能够通过与环境的交互不断改进其性能。学习模型、行为策略以及目标函数。示例：强化学习智能体，通过与环境互动不断学习最优策略。

本智能体主要通过一个工作流实现，采用单Agent（工作流模式）。[heading3]2工作流主要配置[content]工作流全景图：工作流主要节点说明：整个工作流按照市场分析报告内容划分，分成7个分支处理，每个分支调研并生成报告中的一部分。这样可以最大的发挥并行处理的效率。文本处理节点，将用户输入与报告某一部分的主题拼装，形成用于网络搜索的关键词句。必应搜索节点，根据指定的关键词句搜索相关网络内容。LinkerReader节点，从必应搜索到的网页链接中获取网页详细内容。此节点采用批处理方式，每批处理搜索结果中的一条链接。在LinkerReader节点前的代码节点，用于等待2-3秒，可以将众多LinkerReader节点的执行时间错开，避免拥塞。代码节点，将搜索到的网页链接信息进行过滤，只保留网页名称、摘要、url信息，以备后面大模型进行处理。大模型节点，根据多个网页中获取的内容按照指定的格式生成报告内容，并根据代码过滤后的搜索摘要信息列表将引用链接加到报告内容中。结束节点，将7部分大模型节点生成的内容拼接并流式输出。